文件格式说明 - SAM/BAM

Bam 头文件

头文件是一行行以 @ 开头的注释文件，文件记录了比对是所用的参考序列信息，序列的名称和序列的长度（@SQ），同时也记录了比对、Markdup、重比对等过程所使用的软件以及对应的软件版本（@PG），同时还会有记录的样本信息（@RG）；
如果有需要更改样本的头文件，可以通过Samtools rehead# 定义一个新的头文件，来替代原来的头文件.

Bam头文件示例

Bam 头文件：

@HD	VN:1.0	GO:none	SO:coordinate
@SQ	SN:chr1	LN:249250621
@SQ	SN:chr2	LN:243199373
@SQ	SN:chr3	LN:198022430
@SQ	SN:chr4	LN:191154276
@SQ	SN:chr5	LN:180915260
@SQ	SN:chr6	LN:171115067
@SQ	SN:chr7	LN:159138663
@RG	ID:cancer	PL:illumina	PU:FCHF3HCBCX2    LB:17D0846999-98    SM:cancer	CN:BGI
@PG	ID:MarkDuplicates	PN:MarkDuplicates	VN:1.98(1547)	CL:net.sf.picard.sam.MarkDuplicates INPUT=[/THL4/home/bgi_thcancer/liubo/Project/BRAC_CY/2018-05-29/17D0846999-98/cancer/3_markdup_bam/17D0846999-98_sort.bam] OUTPUT=/THL4/home/bgi_thcancer/liubo/Project/BRAC_CY/2018-05-29/17D0846999-98/cancer/3_markdup_bam/17D0846999-98_sort_markdup.bam METRICS_FILE=/THL4/home/bgi_thcancer/liubo/Project/BRAC_CY/2018-05-29/17D0846999-98/cancer/3_markdup_bam/17D0846999-98_sort_markdup.bam.metrics REMOVE_DUPLICATES=false ASSUME_SORTED=true VALIDATION_STRINGENCY=LENIENT    PROGRAM_RECORD_ID=MarkDuplicates PROGRAM_GROUP_NAME=MarkDuplicates MAX_SEQUENCES_FOR_DISK_READ_ENDS_MAP=50000 MAX_FILE_HANDLES_FOR_READ_ENDS_MAP=8000 SORTING_COLLECTION_SIZE_RATIO=0.25 READ_NAME_REGEX=[a-zA-Z0-9]+:[0-9]:([0-9]+):([0-9]+):([0-9]+).* OPTICAL_DUPLICATE_PIXEL_DISTANCE=100 VERBOSITY=INFO QUIET=false COMPRESSION_LEVEL=5 MAX_RECORDS_IN_RAM=500000 CREATE_INDEX=false CREATE_MD5_FILE=false
@PG	ID:bwa	PN:bwa	VN:0.6.2-r126
@PG	ID:GATK IndelRealigner	VN:2.3-9-ge5ebf34	CL:knownAlleles=[(RodBinding name=knownAlleles source=/THL4/home/bgi_thcancer/pipeline/chip_1.7M/db/aln/dbsnp/dbSNP132_1000GIndel_merge_for_realgn.txt)] targetIntervals=/THL4/home/bgi_thcancer/liubo/Project/BRAC_CY/2018-05-29/17D0846999-98/cancer/4_realign_bam/17D0846999-98_cancer.intervals LODThresholdForCleaning=5.0 consensusDeterminationModel=USE_READS entropyThreshold=0.15 maxReadsInMemory=150000 maxIsizeForMovement=3000 maxPositionalMoveAllowed=200 maxConsensuses=30 maxReadsForConsensuses=120 maxReadsForRealignment=20000 noOriginalAlignmentTags=false nWayOut=null generate_nWayOut_md5s=false check_early=false noPGTag=false keepPGTags=false indelsFileForDebugging=null statisticsFileForDebugging=null SNPsFileForDebugging=null

Bam 内容部分

Bam 的内容部分，包含了所有序列的比对信息，包括比对位置，比对质量值查看方式 samtools view ;
在Bam/Sam输出的结果中每一行都包括十二项通过Tab分隔，从左到右分别是：

序列的名称
概括出一个合适的标记，各个数字分别代表
- 1 read是pair中的一条（read表示本条read，mate表示pair中的另一条read）
- 2 pair一正一负完美的比对上
- 4 这条read没有比对上
- 8 mate没有比对上
- 16 这条read反向比对
- 32 mate反向比对
- 64 这条read是read1
- 128 这条read是read2
- 256 第二次比对
- 512 比对质量不合格
- 1024 read是PCR或光学副本产生
- 2048 辅助比对结果

假如说标记为以上列举出的数目，就可以直接推断出匹配的情况。假如说标记不是以上列举出的数字，比如说 83=（64+16+2+1），就是这几种情况值和。

参考序列的名字
在参考序列上的位置
mapping qulity?? 越高则位点越独特
bowtie2有时并不能完全确定一个短的序列来自与参考序列的那个位置，特别是对于那些比较简单的序列。但是bowtie2会给出一个值来显示出这个段序列来自某个位点的概率值，这个值就是mapping qulity。Mapping qulity的计算方法是：Q=-10log10p，Q是一个非负值，p是这个序列不来自这个位点的估计值。
假如说一条序列在某个参考序列上找到了两个位点，但是其中一个位点的Q明显大于另一个位点的Q值，这条序列来源于前一个位点的可能性就比较大。Q值的差距越大，这独特性越高。
Q值的计算方法来自与SAM标准格式，请查看SAM总结。
代表比对结果的CIGAR字符串，如37M1D2M1I，这段字符的意思是37个匹配，1个参考序列上的删除，2个匹配，1个参考序列上的插入。M代表的是alignment match(可以是错配)
- “M”表示 match或 mismatch；
- “I”表示 insert；
- “D”表示 deletion；
- “N”表示 skipped（跳过这段区域）；
- “S”表示 soft clipping（被剪切的序列存在于序列中）；
- “H”表示 hard clipping（被剪切的序列不存在于序列中）；
- “P”表示 padding；
- “=”表示 match；
- “X”表示 mismatch（错配，位置是一一对应的）；
mate 序列所在参考序列的名称
mate 序列在参考序列上的位置
估计出的片段的长度，当mate 序列位于本序列上游时该值为负值。
read的序列
ASCII码格式的序列质量
可选的区域
- AS:i? 匹配的得分
- XS:i? 第二好的匹配的得分
- YS:i? mate 序列匹配的得分
- XN:i? 在参考序列上模糊碱基的个数
- XM:i? 错配的个数
- XO:i? gap open的个数
- XG:i? gap 延伸的个数
- NM:i? 经过编辑的序列
- YF:i? 说明为什么这个序列被过滤的字符串
- YT:Z
- MD:Z? 代表序列和参考序列错配的字符串